圖像分類中特征聚類算法研究.pdf

1、聚類在當前數(shù)據(jù)挖掘領(lǐng)域中占據(jù)非常重要的位置，作為一種數(shù)據(jù)分析法主要被用來對樣本數(shù)據(jù)集進行劃分，將各特征屬性相差較小的數(shù)據(jù)點劃分到同一類簇中，相差較大的則分布在不同的類簇中，可以作為圖像分類的預處理步驟。本文針對K-means算法的優(yōu)劣勢，從三個方面對其進行學習和研究。
　　首先，經(jīng)典K-means算法在選擇聚類數(shù)和初始中心時比較隨機，缺乏客觀性，根據(jù)算法本身的特點，在利用其優(yōu)勢的同時要避開其劣勢，在此基礎(chǔ)上對其進行改進。首先利用距

2、離代價函數(shù)對聚類數(shù)的選擇方法進行改進，然后用基于距離的方法對初始中心的隨機選擇方式進行改進，并將其應用到圖像分類系統(tǒng)，完成分類正確率的提高。
　　其次，提出了一種基于二分思想的改進K-means算法，同時對聚類數(shù)的設(shè)置和初始中心的選擇兩個方面進行改進。先對數(shù)據(jù)集進行兩兩劃分，直到滿足ER指標時停止，然后對所有的子類簇根據(jù)ER指標進行合并，最終所有子類簇的個數(shù)為聚類數(shù)，每個子類簇的中心為初始聚類中心。
　　最后，借鑒二次聚類的